175万亿Token背后的使用规模
赛迪研究院的趋势报告给出一个规模数字：截至2026年6月，我国AI日均词元调用量超过175万亿，比2024年初增长1000多倍。央视新闻11月1日报道了这项统计，也提到推理数据量首次超过训练数据量。企业要问的下一步很实际：日常调用如此频繁，一次被验收的业务任务究竟花多少钱？
从训练经济到推理经济，钱的流向发生了改变
训练大模型以集中式资本开支为特征：算力集群、网络、存储、海量数据和研究人员投入在较短的训练周期内形成高额费用。推理经济则呈现更分散、更持续的需求结构：每天大量用户打开应用，智能体反复读文件、调用工具、分析代码，企业系统不断请求预测与生成服务。推理服务必须重视延迟、稳定性、峰谷负载、数据合规及单次调用成本。训练阶段常见的指标是模型损失、基准成绩与训练效率；到了推理阶段，企业会计较首Token时延、吞吐、单位任务成本以及是否能够满足服务等级协议。假如一套模型在排行榜上领先，却需要昂贵设备才能稳定处理企业日常工单，商业竞争力可能不及性能稍弱但部署成本更低的方案。国产推理芯片、量化模型、缓存机制、请求批处理和模型路由因此拥有了越来越清晰的需求基础。
把175万亿换算成一个可理解的量级
按公开口径，175万亿Token是每天的调用量，换算为一整年365天，在每日用量恒定的纯数学假设下约为6.39京Token。实际业务当然不可能完全均匀，数据增长、假期和行业应用会造成明显波动。我们还可以换一个视角：假设一次较复杂的Agent任务总计消耗10万Token，这一总量对应17.5亿次这样的任务；若每次任务耗用100万Token，则对应1.75亿次。这里的两种“任务”完全是假设的计量单位，仅用来展示规模，不能当作真实用户数或实际业务笔数。调用量增长1000多倍说明模型使用已经跨过初期实验阶段，但统计口径随服务类型及接入企业变化而扩展，分析市场时仍需结合付费用户、活跃应用、企业采购和调用价值。更关键的是大量Token到底消耗在什么任务：写邮件、生成代码、分析医学文献，还是处理工业控制日志，其经济价值差异巨大。
500多家卓越级智能工厂提供了另一把尺子
制造业场景适合用结果指标衡量AI的产业作用。卓越级智能工厂覆盖31个省级地区和80%以上制造业行业大类，代表智能制造已经形成较广的行业分布。工厂建设涉及工业网络、MES/ERP/PLM系统、数字孪生、自动化设备、质量系统和生产排程，不是一项算法工程就能完成。不同企业的智能化成熟度差异也很大：有的工厂已经建立连续的设备数据链路，有的仍存在人工抄表与数据孤岛。AI加入后，最值得优先验证的任务是设备异常诊断、质量缺陷分析、工艺知识查询、订单交期预测和能源管理，因为这些任务既能积累数据，也有可衡量的经营结果。报告中的1000多个场景是应用覆盖情况，未披露每个场景的合同金额、可复制水平和收益，因此企业制定预算时还需要逐场景确定目标和验收方法。
为何工业场景不会被一个超级模型包办
厂房里的数据以多种时间尺度存在。PLC每毫秒到秒级更新状态，MES按工单组织执行过程，PLM管理长周期工程定义，质量管理系统保存批次缺陷，PDF和图纸承载复杂知识。统一大模型可以处理自然语言并帮助人理解跨系统关系，但它不适合代替实时控制器，也不能自行成为所有业务数据的权威来源。一套成熟的工业智能系统往往由时序模型、视觉模型、规则引擎、仿真软件、结构化数据库及语言模型共同组成。设备预测性维护可能由专用时序模型产生异常概率，再由智能体结合维修历史编写诊断报告；质量追溯则从MES取得真实批次，再分析检测图像和工艺参数。企业投资AI时，最好将生产系统、分析模型、智能体协作层及治理权限分开规划，避免未来被单一产品的接口和数据格式锁定。
推理成本下降将重塑软件商业模式
传统工业软件的收入常来自一次性许可、模块订阅、年度维护和实施服务。AI服务普及后，软件厂商要持续承担推理费用和工具调用费用，也要面对用户对按效果付费的期待。一个企业级知识助手如果每月处理十万次问答，成本可以通过缓存与小模型路由控制；复杂智能体如果每单需反复调用模型、查询系统、生成图表和重试，服务成本会随任务复杂度迅速增加。厂商可以采用基础平台订阅加额度包、按活跃设备收费或按明确交付成果计费的组合模式。值得警惕的是，将无限使用作为营销口号容易积累长期亏损，也可能迫使厂商限制模型质量。更透明的方式是清晰列出任务使用量、交付率、费用结构，让企业根据可衡量的产线价值选择服务档位。推理经济的形成，对云服务商与本地部署供应商都是新的定价挑战。
国产算力的机会落在系统工程而不只是单卡参数
在推理负载高频增长的背景下，GPU或专用AI芯片的竞争越来越依赖软硬件协同。单芯片的峰值算力只是性能上限，实际部署还受显存、算子支持、量化方法、批处理效率、通信和推理框架影响。长上下文Agent往往需要较多KV缓存，视频和图像业务的输入模式不同，实时工业应用对首包延迟又高度敏感。对于企业边缘设备，算力、功耗、散热、设备寿命和维护周期可能比绝对吞吐更重要。国产软硬件方案应优先针对可复现的行业负载给出测试：选定模型版本、输入长度、输出长度、并发数和真实业务脚本，对吞吐、时延和成本做完整对比。厂商如果只展示某个理想条件下的每秒Token峰值，采购团队仍无法推断生产部署效果。推理服务的规模化，会推动更成熟的硬件适配、模型压缩和边缘计算工具链。
下一个阶段，应当追踪什么
175万亿Token提供了观察产业拐点的重要证据，企业层面还要看单位任务能产生多少价值。未来应持续追踪企业实际付费支出、生成式AI在主营业务流程中的渗透率、国产推理基础设施的稳定运行规模，以及智能工厂中质量、效率、能源与安全指标的改善。研究机构也有机会发布更加细化的行业统计，例如按制造、金融、科研和政务分列推理使用量及典型任务，减少单一总量指标带来的理解偏差。从产业角度看，我们认为2026年的重要变化，是AI不再只有模型发布会和训练集群的故事，越来越多经营活动开始为推理能力持续支付费用。接下来的竞争，将围绕谁能把大规模模型调用转化为可持续的真实生产率。
从社会统计到企业绩效，需要打通两个层面的评价
宏观推理规模与单个企业的经营改善之间存在较长的传导链条。政策制定者希望看到行业渗透率、区域基础设施和创新企业数量，企业管理层则需要看到订单交付、单位产品成本、员工有效工时和风险水平。两套指标可以通过具体场景连接。例如在智能工厂中，将模型调用记录关联到设备诊断工单，统计每百次调用产生多少条经工程师采纳的有效建议，再分析这些建议是否减少非计划停机；在研发部门，则把模型辅助生成的代码与最终合入的功能、缺陷率和开发周期关联。随着数据积累，行业协会和第三方研究机构可以发布更有可比性的效果评测，帮助采购方理解哪些应用已经成熟、哪些仍在研究。如此，175万亿Token才不仅是技术普及的标志，也能逐渐进入劳动生产率与产业价值的讨论。
收束：下一步看什么
宏观调用量可以说明使用规模；到了车间，要从具体工单算账。把模型调用和停机时长、返工率、工程师复核工时放在同一张表里，才有条件评价投入。
参考资料
- 央视新闻/中新网赛迪报告报道（2026-11-01；175万亿、工厂数量和统计口径）
- IT之家赛迪报告转载（2026-11-01；交叉验证）